从 AI 1.0 到 AI 2.0，人工智能的发展不仅是技术的跃迁，更是产品思维的革新。本篇文章将从一名 AI 产品经理的视角，分享对 AI 进化的深刻感悟，并探讨未来 AI 产品的可能性与挑战。

从AI 1.0到 2.0的 解决方案

2018-2019: 百度金融Intern，主要做智能投研bot，获得千万美金投资后独立，试图穷举金融投资中的所有关联关系，并建立足够广泛的信息搜集网络，两者相加推测宏观及微观变量变动对于金融标的的影响，因所需专家系统数据太过庞大，以失败告终。

2020-2022：智能家居的智能客服、虚拟人客服，IM客服人力降低60%，满意度92%

2022-2023：汽车、医药销售领域知识图谱&智能助手；接触过工业上智能排产排班、智能调度的项目

2023-2024: 金融领域坐席辅助达到PMF，LLM Lab（GPT、文心、通义等多种LLM+知识库，搭建各类后台提效Agent）

2024-至今：字节tiktok商业化广告审核AI产品经理

1. 智能对话解决方案演进

智能客服 1.0 ：FAQ知识库+NLP+对话流程编排

智能客服2.0: 知识图谱+NLP, 针对专业知识非常复杂的医药和汽车领域（多实体、关联关系复杂），基于知识图谱平台与NLP技术沉淀汽车售后维修、药事医事话术知识，为客服人员、用户提供FAQ与KBQA结合的智能问答服务。

虚拟人：虚拟人建模+虚拟人智能驱动+智能客服+ASR/TTS

智能Bot: 向量知识库+大模型，大模型做意图识别，向量知识库承载专业知识

智能Agent: 大模型+RAG+Tools/MCP/workflow

2. 知识管理解决方案演进

知识库在智能化系统中一直扮演着很核心的角色，尤其是在AI 1.0时代专家型智能、垂直小模型中，也随着模型利用知识方式变化进行着形态的演化，经历了文档式知识库、FAQ知识库、知识图谱（eg： Neo4j）、向量知识库。

在AI 2.0时代，RAG是AI 2.0大模型时代新型知识利用方式，不仅是解决大模型幻觉/不可控问题的主要手段，也是垂类业务场景快速使用通用大模型的快速解决方案（大模型垂直智能解决方案=LLM基座模型+RAG知识库+算力资源）

• 文档式知识库：初级智能，标题检索，文档结构化
• FAQ知识库+NLP+兜底规则：问答对的覆盖度、泛化性（同义词+句式排列），决定了智能的范围和准确率
• FAQ知识库+NLP+对话流程编排（+虚拟人）：将问答对以workflow方式进行编排，解决复杂场景的多轮对话
• 知识图谱+NLP：适合多层【实体-关系-实体】复杂关系的理解、查询，如风控、制造业
• 向量知识库+大模型：作为大模型在垂直领域幻觉和输出不可控的主要改善方式
• 知识图谱+大模型：结构化知识增强大模型的理解和推理，提高可解释性；适合多模态数据的检索；大模型也可增强知识图谱的抽取和构建，形成闭环。

Refhttps://mp.weixin.qq.com/s/RaT6MaNHBw9vTd9Q5aJyvQ

• 知识库+大模型+tools/RPA: agent的实现方式
• 张量知识库（多维向量）+大模型： 直接接收文档、图片或视频等形式的原始输入，利用视觉语言模型VLM转化为多维向
• 知识库+Muti-Agent：Agentic RAG将问题解答过程分解为易于管理的步骤，为每项任务分配适当的Agent，进行复杂的规划和多步推理，确定信息检索、分析和综合的最佳策略利用外部工具和资源（如搜索引擎、数据库和专门的应用程序接口），从而有效地回答复杂的问题。也有有记忆能力，可不断学习和改进。

3. 智能辅助方案

Step 1：信息查询集成

Step 2：实时对话中的智能提醒和引导

大模型意图识别+情绪识别—>用户行为预测—>SOP导航和提醒—>LLM营销话术生成&推荐

AI的“生死劫”

AI产品需要构建”技术-场景-数据”三角验证模型

1. 要充分熟悉场景，找到商业价值，而不是技术的传教：

• 想要PMF，ROI决定一切；
• 影响AI落地的除了效果，还有社会关系的权责

2. 模型大脑重要，工程化的手脚是决定用户体验的关键，尤其是在市场初期

当谦卑的造物主：记住金融坐席PMF的关键——保留人工接管入口

3. 数据飞轮构建方法论：从”喂养数据”到”诱导数据生产”的范式转换，90%的AI产品死于数据获取成本失控

做可控的赌徒：在智能投研失败中学到，All in前先用20%资源验证数据可行性

4. 互联网产品可以做MVP，AI产品的MVP不能直接在用户身上验证，至少要到80%

AI产品和互联网产品的比较

一样的地方：交互体验（什么是美的），用户的理解和场景的翻译能力（通用的抽象能力）

不一样的地方：

1）技术平权：技术杠杆可以超越人力、资金杠杆，如deepseek

2）AI产品经理在项目中的定位：了解业务场景和痛点，挖掘AI需求—>解决方案(包括预期效果测试方法，商业价值测算)—>项目阶段拆分—>数据获取+ 产品设计—>算法建模+ 工程开发—>效果测试->小流量、上线->模型效果观测与迭代->ROI计算

1. 能力要求更综合：算法、工程、运营、数据需要都懂一些，产品设计方案->解决方案（包括数据获取方式、模型评估方式、项目商业ROI测算）
2. 软性能力要求：协调各方、项目管理做的多一些，针对不确定问题要提前想好解决方案（输出的不确定、模型调用的失败、模型能力的退化）
3. 新技术变换更快，需要不断学习

3）方法论的区别

用做软件1.0的思路做不好自动驾驶，因为边界场景无法被穷举，软件2.0的思路，构建可以自我优化的迭代系统（强化学习，数据飞轮）

数据的重要性是核心，把一个天才关在小黑屋，把一个普通人放在良好的教育环境

未来的AI会怎么发展

AI的发展趋势

下达指令，帮你做完一切：

能规划并调用各种API（MCP）完成任务，无论是购物，生活，工作，人只做关键决策如Manus、Devin，Cursor还是个助手的角色。更进一步将实现软硬件结合，虚实互动，能智慧控制家用设备，智能下单工厂可以完全自动化生产、配送，心情不好时智能宠物会来安慰你。

垂类AI的深度渗透：

AI从“全能选手”转向“行业专家”，医疗、法律、制造等领域将迎来革命。如医疗AI可加速药物研发1.6倍，降低成本4倍；工业AI能提升产能15%，减少停机时间20%。

人性化，你之所以是你：

知道你的性格，你的喜好：通用智能做到一定程度，就需要个性化，就像不同的人需要不一样的助手，助手的价值在于对你足够的了解，所以long context,memory很重要未来公式：AI渗透率=Σ（技术可行性×经济价值×伦理容忍度）

制造业预演：某车企数字工厂使产能提升15%的秘密

-智能排产系统动态调整500+参数

-故障预测准确率达89%的秘密：振动传感器+声纹识别

文明拐点预测：2030年将有30%城市运行决策由AI系统自主完成

未来的AI产品经理路在何方

市场需求量在增加

AI是大厂的必争之地、创业公司、大量垂直行业的AI机会，我们可以更乐观，尤其是对我们这些错过移动互联网风口的人

核心认知

1）模型的评测和评估成为最重要的事情：指标的定义，评估方式，评估数据的构建与业务现实场景的对齐

2）需求的验证方式会改变，能动手端到端验证需求能力大于纯功能设计能力，如用agent搭建工具、用Cursor等：古典产品经理对于体系结构和感觉的重视，数据产品经理对于AB测试的使用，AI产品可以并重，端到端的全栈能力很重要，要自己动手去验证，去看论文，才能理解技术的边界；在产品设计的时候，注重反馈机制&数据收集入口

3）对话就是Agent最好的交互，用户交互的自由度比准确度更重要，准确度可以通过代码能力解决（提前定义好插件，通用性和准确率在很多场景是tradeoff的），可以将很多复杂的功能在交互中通过卡片推荐的形式展现；

4）AI过程中需要解决两个信任的问题

1. AI产品对AI能力信任的问题：最大化榨取智能的价值，而不是限制（通过hard code的方式把AI变成Rule base）
2. 用户对AI信任的问题；推理过程的展现本身就是解决信任的问题，让用户看到过程，实现心理上的可控

5）不要低估工程的价值，可以构建至少领先半年的优势

6）翻译的能力依然很重要，发现问题-定义问题（调研现实场景并抽象成可建模的问题）->解决问题，成为跨物种翻译官，未来的AI产品经理，注定是站在文明分界线上的双语者既要让机器理解人性的温度，又要教会人类与硅基智慧共处。

7）AI产品的进化本质是”用可控的失败换取认知边界突破”

8）之前未关注的部分可能未来核心的竞争力：精神世界，AI的伦理道德；未来的想象，AI搞定很多，工作时间收缩，大家更需要的是文明其精神，野蛮其体

9）很多问题的行动力差开源于模糊，清晰化的能力很重要，包括把问题定义清晰，把行动方案、R&R拆解清晰，问题至少解决了50%

10）重要的事情坚持至少3个月以上，形成肌肉记忆

后记

仰望星空，并脚踏实地

星夜赶路，也拥抱爱人